一种基于AI技术的招聘方法、系统、设备及介质与流程
本发明涉及人工智能招聘,尤其涉及一种基于ai技术的招聘方法、系统、设备及介质。
背景技术:
1、随着企业招聘规模扩大,基于人工智能的人岗匹配技术被广泛应用。现有比较常见的方法中,比如基于协同过滤的匹配方法,该方法利用历史数据中候选人特征与岗位特征的相似度或交互关系进行推荐;又比如基于语义匹配的方法,该方法通过自然语言处理提取简历与岗位描述的语义特征并计算匹配度。
2、上述方法本质上都是基于相关性学习的模型,即从历史招聘数据中学习“候选人特征-录用”之间的统计关联。然而,候选人的背景属性(如院校层次、前雇主类型、性别等)往往同时影响其技能水平和绩效评价,构成同时指向技能与绩效的混淆路径。例如,名校背景既可能提升候选人的实际技能,又可能因光环效应直接抬高其绩效评价;在这种情况下,相关性模型无法区分绩效优势究竟来自技能本身还是来自背景属性,会错误地将混淆变量带来的绩效增益归因于技能,从而导致匹配结果存在系统性偏见、跨企业跨岗位泛化能力差且难以给出可解释的匹配依据。此外,由于仅有被录用者才具有入职后的绩效数据,历史数据还存在样本选择偏差,直接在被录用者样本上建模会进一步放大上述偏差。
3、同时,候选人的绩效表现还依赖于具体岗位,同一技能在不同岗位条件下对绩效的贡献并不相同,仅学习特征与录用之间的统计关联难以刻画技能在给定岗位条件下对绩效的真实因果贡献,也就无法回答“若某候选人具备某一技能水平,在目标岗位上其绩效将会如何”这一反事实问题。
4、此外,由于仅有被录用者才具有入职后的绩效数据,历史数据还存在样本选择偏差,直接在被录用者样本上建模会进一步放大上述偏差。
5、对于上述问题,现有技术中虽有采用倾向得分匹配、逆概率加权等手段处理混淆或选择偏差的尝试,但大多停留在对样本或损失的表面加权,既未从因果结构上识别出真正同时影响技能与绩效的混淆变量,也未从技能表征层面阻断混淆变量的影响,因此难以从根本上解决相关性模型将混淆因素误归因于技能这一核心问题,更无法在控制混淆与选择偏差的基础上估计技能对绩效在给定岗位条件下的反事实因果效应并据此进行人岗匹配。
技术实现思路
1、本发明实施例提供了一种基于ai技术的招聘方法、系统、设备及介质,旨在解决现有技术难以从因果角度识别和处理同时影响技能与绩效的混淆变量,也没有解决只有被录用者才有绩效数据导致的样本选择偏差问题。
2、第一方面,本发明实施例提供一种基于ai技术的招聘方法,包括:
3、获取历史招聘数据,所述历史招聘数据包括多个历史候选人的技能特征、背景属性、岗位特征和录用决策,以及所述多个历史候选人中被录用候选人的绩效数据;
4、构建因果图,所述因果图包含分别与技能特征、背景属性、岗位特征和绩效数据对应的节点,并基于所述因果图从所述背景属性中确定出同时影响技能特征和绩效数据的混淆变量;
5、训练技能编码器,所述技能编码器用于将技能特征映射为技能表征,其中以保留所述技能表征对绩效数据的预测能力且抑制所述技能表征对所述混淆变量的可预测性为目标进行训练,使训练后的技能编码器输出去除混淆变量信息的技能表征;
6、以所述被录用候选人为样本,根据所述被录用候选人的技能特征经所述技能编码器得到的技能表征、所述被录用候选人的绩效数据和岗位特征,并利用所述多个历史候选人的录用决策进行样本选择偏差校正,估计因果响应模型,所述因果响应模型用于表征在给定岗位特征的条件下、将技能表征干预为指定取值时绩效数据的条件期望;
7、对于待匹配候选人,提取所述待匹配候选人的技能特征并输入所述技能编码器,得到所述待匹配候选人的技能表征,将所述待匹配候选人的技能表征作为干预取值输入所述因果响应模型,计算在目标岗位特征的条件下所述待匹配候选人的绩效数据的条件期望,作为反事实绩效期望;
8、根据所述反事实绩效期望对所述待匹配候选人进行排序,并根据排序结果输出所述待匹配候选人与所述目标岗位的匹配结果。
9、第二方面,本发明实施例提供一种基于ai技术的招聘系统,包括:
10、获取单元,用于获取历史招聘数据,所述历史招聘数据包括多个历史候选人的技能特征、背景属性、岗位特征和录用决策,以及所述多个历史候选人中被录用候选人的绩效数据;
11、构建单元,用于构建因果图,所述因果图包含分别与技能特征、背景属性、岗位特征和绩效数据对应的节点,并基于所述因果图从所述背景属性中确定出同时影响技能特征和绩效数据的混淆变量;
12、训练单元,用于训练技能编码器,所述技能编码器用于将技能特征映射为技能表征,其中以保留所述技能表征对绩效数据的预测能力且抑制所述技能表征对所述混淆变量的可预测性为目标进行训练,使训练后的技能编码器输出去除混淆变量信息的技能表征;
13、估计单元,用于以所述被录用候选人为样本,根据所述被录用候选人的技能特征经所述技能编码器得到的技能表征、所述被录用候选人的绩效数据和岗位特征,并利用所述多个历史候选人的录用决策进行样本选择偏差校正,估计因果响应模型,所述因果响应模型用于表征在给定岗位特征的条件下、将技能表征干预为指定取值时绩效数据的条件期望;
14、计算单元,用于对于待匹配候选人,提取所述待匹配候选人的技能特征并输入所述技能编码器,得到所述待匹配候选人的技能表征,将所述待匹配候选人的技能表征作为干预取值输入所述因果响应模型,计算在目标岗位特征的条件下所述待匹配候选人的绩效数据的条件期望,作为反事实绩效期望;
15、输出单元,用于根据所述反事实绩效期望对所述待匹配候选人进行排序,并根据排序结果输出所述待匹配候选人与所述目标岗位的匹配结果。
16、第三方面,本发明实施例提供了一种计算机设备,其包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的基于ai技术的招聘方法。
17、第四方面,本发明实施例提供了一种计算机可读存储介质,其中所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行上述第一方面所述的基于ai技术的招聘方法。
18、本发明实施例的有益效果为:通过构建因果图识别混淆变量、通过对抗训练学习去除混淆信息的技能表征、结合样本选择偏差校正估计因果响应模型,并基于反事实绩效期望进行排序匹配,从而将人岗匹配从相关性排序提升为因果效应排序。本发明实施例有效消除了背景属性带来的虚假关联,使匹配分数反映技能在给定岗位条件下的真实绩效贡献,提高了匹配公平性、泛化能力和可解释性。
1.一种基于ai技术的招聘方法,其特征在于,包括:
2.根据权利要求1所述的基于ai技术的招聘方法,其特征在于,所述构建因果图,并基于所述因果图从所述背景属性中确定出同时影响技能特征和绩效数据的混淆变量,包括:
3.根据权利要求1所述的基于ai技术的招聘方法,其特征在于,所述训练技能编码器,包括:
4.根据权利要求1所述的基于ai技术的招聘方法,其特征在于,所述利用所述多个历史候选人的录用决策进行样本选择偏差校正,包括:
5.根据权利要求1所述的基于ai技术的招聘方法,其特征在于,所述估计因果响应模型的过程,包括:
6.根据权利要求1所述的基于ai技术的招聘方法,其特征在于,在所述计算在目标岗位特征的条件下所述待匹配候选人的绩效数据的条件期望,作为反事实绩效期望的步骤之后,还包括:
7.根据权利要求1所述的基于ai技术的招聘方法,其特征在于,在所述根据所述反事实绩效期望对所述待匹配候选人进行排序之前,还包括:
8.一种基于ai技术的招聘系统,其特征在于,包括:
9.一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于ai技术的招聘方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序当被处理器执行时使所述处理器执行权利要求1至7中任一项所述的基于ai技术的招聘方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com